继续请教问题:关于 Pytorch 的 Autograd

雷达

/ B, p& T$ m) B' D* [; h! [
为预防老年痴呆，时不时学点新东东玩一玩。
Pytorch 下面的代码做最简单的一元线性回归：
0 z2 N$ B2 y7 \1 L% u----------------------------------------------
import torch
' w, w  w1 R( G- y) wimport numpy as np
import matplotlib.pyplot as plt
4 S8 m" Z2 P  ^0 ^/ S* vimport random

' i) U5 O+ @7 `+ f0 N( Q0 Wx = torch.tensor(np.arange(1,100,1))
8 x+ u3 ]  T" m1 Z+ cy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
: I7 Q6 G1 L" {2 \7 C
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
2 h3 t- u6 f  {+ F( E0 \4 M5 Bb = torch.tensor(0.,requires_grad=True)

/ {9 G. U  E) }8 E3 W' r5 ]epochs = 100

# ]1 P) t8 X8 K! Plosses = []
for i in range(epochs):
" w5 A( h3 m3 g) O' J' E  y_pred = (x*w+b)    # 预测
) U9 x% v) t/ j' F; ]. t! ]  y_pred.reshape(-1)
/ `2 e: _6 W' V3 Z6 A* r
) m) ?$ [5 b1 ^# [  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
- U- o  O' V7 }: p+ ^* B  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
8 y2 f# \' P/ ^    b  -= b.grad*0.0001    # 回归 b
/ k+ o0 L! o9 z+ ?; u  w.grad.zero_()  
# }+ N; O2 u2 S3 P/ z9 g; |  b.grad.zero_()

print(w.item(),b.item()) #结果
, ^& R5 r6 `% c5 K% d% h+ I
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
  B& R' A, ?: B9 O高手们帮看看是神马原因？

老福

7 O( v" u* w) u7 k6 X6 K/ i, X! p$ v
8 V6 V( M4 u, }2 x# [没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
( b/ B( z( F9 {% l6 J9 N' t5 B不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
4 C8 ~5 T$ ?7 P# }* ?: m# a-------
3 |0 u# \& _1 T* o+ p8 i算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
3 @) ?9 Y+ b6 Z% _' O% B: j/ K没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
3 A) \2 W- c: S不好意思， ...

4 y1 q2 N3 T% n谢谢，算法应该没问题，就是最简单的线性回归。
9 x% B' A; W, d) h  c* m我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

! M' y- M& U. r$ F5 N. i

雷达 发表于 2023-2-14 21:52
0 K4 a& t8 t* V) y- y谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

+ w1 b" j+ x7 l7 ]8 n9 d刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
4 Y% c. T/ D  E# N! N
或者把b但的起点改为1试试。

雷达

老福 发表于 2023-2-14 22:00
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
1 C; Y3 j9 E- l5 J! Z
或者把b但的起点改为1试试。 ...

* o0 x1 b; q: ?1 Y! [# m, g你是对的。
+ e$ D' N4 @( R5 P9 ~8 ]5 H去掉了随机部分
5 h, C' d9 B5 }( Q  A#y = (x*27+15+random.randint(-2,3)).reshape(-1)
+ R2 k7 H3 c, Y; Y  M0 _y = (x*27+15).reshape(-1)
; a# y8 i# s. M& X: e
循环次数加成10倍，就看到 b 收敛了
w , b
& ]/ \6 h! o- q# ?: }27.002620697021484 14.826167106628418
( W$ _- q) m' R7 C
; E. ^7 [5 v. D3 `和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。